SISTEM CERDAS Jaringan Syaraf Tiruan

Presentasi berjudul: "SISTEM CERDAS Jaringan Syaraf Tiruan"— Transcript presentasi:

1 SISTEM CERDAS Jaringan Syaraf Tiruan
Kuliah 8

2 Pengantar Jaringan saraf tiruan (neural network) telah berhasil diterapkan untuk menyelesaikan masalah-masalah dalam dunia nyata dalam berbagai bidang Fungsi JST adalah untuk menentukan pola masukan baru yang belum diketahui kategori klasnya menggunakan pengetahuan dari pembelajaran terbimbing sebelumnya. Contoh aplikasi JST: Pengenalan pola Optimasi Kendali Forecasting

3 Pengertian Jaringan Saraf Tiruan
Jaringan saraf merupakan salah satu representasi buatan dari otak manusia yang berusaha mensimulasikan proses pembelajaran pada otak manusia tersebut. Tiruan, karena jaringan saraf ini diimplementasikan dengan menggunakan program komputer.

4 Jaringan syaraf biologi

5 Konsep Dasar Jaringan Saraf Tiruan
ilustrasi analogi dari jaringan saraf biologi dan jaringan saraf tiruan sebuah neuron memiliki tiga komponen: synapsis (w1, w2, ..., wn) alat penambah (adder) fungsi aktivasi (f)

6 Analogi jaringan saraf biolog dan tiruan
Biological Artificial Soma Neuron Dendrites Input Axon Output Synapse Weight

7 Konsep... Hubungan antara ketiga komponen ini dirumuskan dengan persamaan: Sinyal x berupa vektor berdimensi n (x1, x2, ..., xn)T. Jumlah dari penguatan tersebut akan mengalami tranformasi oleh fungsi aktifasi f. Fungsi f ini membandingkan, bila hasil penjumlahan penguatan sinyal itu telah melampaui batas nilai /nilai ambang (threshold) tertentu, maka sel neuron tersebut akan diaktifkan atau dalam kondisi ”1”

8 Konsep... Sebuah jaringan saraf tiruan dapat dianalisa dari dua sisi:
bagaimana neuron-neuron itu dirangkaikan dalam satu jaringan (arsitektur) bagaimana jaringan tersebut dilatih agar memberikan output sesuai dengan yang diharapkan (algoritma pembelajaran).

9 Arsitektur JST Lapis Tunggal

10 JST sederhana

11 JST sederhana

12 Operasi JST

13 Operasi JST

14 Arsitektur JST Banyak Lapis

15 JST lapis banyak Nilai keluaran dari lapis tersembunyi mempunyai persamaan: dan Nilai keluaran dari lapis keluaran

16 Fungsi aktivasi

17 Algoritma Pembelajaran
Tujuan pembelajaran adalah membuat agar sistem ber”pengetahuan”. Proses pembelajaran pada dasarnya adalah pengaturan terhadap bobot-bobot yang ada pada jaringan saraf tiruan, sehingga diperoleh bobot akhir yang sesuai dengan pola data yang dilatihkan.

18 Pembelajaran Hebb Rule
L0. Inisialisasi semua bobot: dengan i= 1,2,...,n L1. Untuk setiap pasangan vektor pembelajaran input-output lakukan langkah L2. Tetapkan aktivasi unit input: L3. Tetapkan aktivasi unit output: L4. Atur bobot: Atur bias:

19 Implementasi dalam progam MATLAB
function [w,b]=lhebb(pm,pt) %Input : pm = pola-pola masukan % pt = pola-pola target %Output : bobot % inisialisasi semua bobot nol w= rand(1,length(pm(1,:))); w= w-w b=0; for k=1:length(pm(:,1)) disp('data ke'),k s= pm(k,:); x=s; t=pt(k,:); y=t'; % Perbarui bobot w = w + (y * x) b = b + y end

20 Contoh 1 Daerah tanggapan fungsi AND Masukan Keluaran x1 x2 t 1 1 1

21 Tanggapan Contoh batas keputusan linier
Batas keputusan: Bobot: b=-1, w1=1, dan w2=1

22 Implementasi dalam program MATLAB
%contoh1.m %Data pelatihan Clear; pm=[1 1;1 -1;-1 1;-1 -1]; pt=[1;-1;-1;-1]; %Mode training % inisialisasi semua bobot nol w= rand(1,length(pm(1,:))); w=w-w; b=0; for k=1:length(pm(:,1)) s= pm(k,:); x=s; t=pt(k,:); y=t'; % Perbarui bobot w= w + (y * x) b=b+y end;

23 Implementasi dalam program MATLAB
%Mode testing % Px=input('Masukkan pola data yang diujikan: ') yin=b+Px*w' if yin >= 0 yin= 1; else yin=-1; end y=yin

24 Memahami fungsi aktivasi
Fungsi bipolar dengan threshold (θ) function y=bipolar2(x,th) if x > th y=1; elseif x < -1*th y=-1; else y=0; end

25 Tugas Buatlah fungsi aktivasi untuk a) b)